Содержание
- 2. Лекция Анализ временных рядов
- 3. Анализ временных рядов временным рядом называют последовательность наблюдений, упорядоченных по времени Аргумент (t) дискретно меняется через
- 4. Визуализация временного ряда месячные международные авиаперевозки в течение 12 лет. (Бокс и Дженкинс, 1976, стр. 531)
- 5. Модели временных рядов. Такие модели объясняют поведение переменной, меняющейся с течением времени, исходя только из ее
- 6. Модель временного ряда Y(t) = f(t)+g(t)+ε(t) случайная составляющая периодическая (сезонная) составляющая тренд
- 7. Ряд с трендом и сезонностью
- 8. Примеры Случайная компонента ε(t) Сезонная компонента S(t) Возрастающая тенденция T(t)
- 9. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель,
- 10. Стационарность ряда Ряд называется слабо стационарным или просто стационарным, если средние, дисперсии и ковариации не зависят
- 11. Стационарный случайный процесс 1.Математическое ожидание постоянно (стационарность в широком смысле). 2. Автокорреляционная функция зависит только от
- 12. Автокорреляция уровней временного ряда Автокорреляция элементов временного ряда – корреляционная зависимость между последовательными элементами временного ряда.
- 13. Проверка ряда на стационарность
- 14. Коэффициент автокорреляции остатков первого порядка определяется по формуле: Критерий Дарбина-Уотсона и коэффициент автокорреляции остатков первого порядка
- 15. Алгоритм выявления автокорреляции остатков на основе критерия Дарбина-Уотсона: 1. Выдвигаются гипотезы: Гипотеза H0 об отсутствии автокорреляции
- 16. 2. По специальным таблицам определяются критические значения критерия Дарбина-Уотсона dL и dU для заданного числа наблюдений
- 17. Алгоритм проверки гипотезы о наличии автокорреляции остатков 2
- 18. Следующие тесты проверяют стационарность ряда. Это расширенный тест Дики–Фуллера (ADF). Еще один очень часто используемый тест,
- 19. ВЫЯВЛЕНИЕ СТРУКТУРЫ РЯДА: Если наиболее высоким оказался коэффициент автокорреляции первого и/или второго порядка, исследуемый ряд содержит
- 20. ОБНАРУЖЕНИЕ НЕСТАЦИОНАРНОСТИ Визуальный анализ временного ряда. Возможно, временной ряд содержит видный на глаз временной тренд и
- 21. ИЗБАВЛЕНИЕ ОТ НЕСТАЦИОНАРНОСТИ Выделить тренд и сезонность, т. е. неслучайную составляющую временного ряда. Если ряд представляет
- 22. АНАЛИЗ ВРЕМЕННОГО РЯДА НА ОСНОВЕ АВТО- РЕГРЕССИИ Есть функция от времени, требуется спрогнозировать ее значение на
- 23. АНАЛИЗ ВРЕМЕННОГО РЯДА В случае линейной авторегрессии уравнение приобретает вид X(t) = a1X(t-1) + a2X(t-2) +
- 24. Спектральный анализ (анализ Фурье) Цель: Обнаружение периодических колебаний
- 25. Временные ряды Сезонная декомпозиция Цель: Разложить ряд на составляющую тренда, сезонную компоненту и оставшуюся нерегулярную составляющую
- 26. Модели стационарных временных рядов Модели Бокса-Дженкинса. Модели авторегрессии и скользящего среднего ARMA(p,q)
- 27. ARMA(p,q) процесс авторегрессии порядка p и скользящего среднего порядка q –ARMA(p,q) авторегрессионный член порядка p член
- 28. Анализ стационарных временных рядов Спецификация ARMA-моделей. Оценивание модели. Проверка адекватности модели. Прогнозирование на основе построенной модели.
- 29. Спецификация ARMA-моделей. Определение p и q. Для этого можно построить графики автокорреляционной функции и частной автокорреляционной
- 30. Спецификация ARMA-моделей (продолжение) На этом этапе мы можем сформулировать несколько гипотез относительно возможных значениях порядков p
- 31. Оценивание модели В современные пакеты встроены различные методы оценивания ARIMA – моделей, такие как линейный или
- 32. Проверка адекватности модели Необходимо проверить правильность предположений относительно параметров модели. Для этого проверяем статистическую значимость коэффициентов
- 33. Временные ряды АРПСС (ARIMA) модель Бокса-Дженкенса Цель: Построение нелинейной модели поведения ряда, хорошо описывающей процесс.
- 34. Временной ряд
- 35. Сезонная корректировка Период: 12 месяцев
- 36. Результат прогноза Строим прогноз
- 37. Нейронные сети (MLP) для анализа временных рядов Входы – Inputs = 1, выходы – Outputs =
- 39. Скачать презентацию